Konwolucyjne sieci neuronowe¶
Dziś spróbujemy stworzyć i wytrenować prostą sieć konwolucyjną do rozpoznawania, co znajduje się na obrazie. Następnie omówimy kwestię identyfikowania obiektów na obrazie, oraz porozmawiamy o wykorzystaniu gotowej już sieci.
Problem klasyfikacji obrazów¶
Jak się za to zabrać? Naiwnym podejściem byłaby próba ręcznej specyfikacji pewnych cech (niemowlęta mają duże głowy, szczoteczki są długie, etc.). Szybko jednak stwierdziliśmy, że nawet dla niewielkiego zbioru kategorii jest to tytaniczna praca bez gwarancji sukcesu. Co więcej, istnieje wiele czynników zniekształcających zawartość naszych zdjęć. Obiekty mogą być przedstawiane z różnych ujęć, w różnych warunkach oświetleniowych, w różnej skali, częściowo niewidoczne, ukryte w tle...
Wszystkie wymienione problemy są skutkiem istnienia semantycznej przepaści między tym, jak reprezentowane są nasze dane wejściowe (tablica liczb), a tym, czego w nich szukamy, czyli kategorii i cech: zwierząt, nosów, głów, itp. Zamiast więc próbować samodzielnie napisać funkcję $f(x)$, spróbujemy skorzystać z dobrodziejstw uczenia maszynowego, aby automatycznie skonstruować reprezentację wejścia właściwą dla postawionego sobie zadania (a przynajmniej lepszą od pierwotnej). I tu z pomocą przychodzą nam konwolucyjne sieci neuronowe. Do tego trzeba zrozumieć, czym jest konwolucja (inaczej: splot), a do tego najlepiej nadają się ilustracje, jak to działa.
Konwolucja¶
Konwolucja (splot) to działanie określone dla dwóch funkcji, dające w wyniku inną, która może być postrzegana jako zmodyfikowana wersja oryginalnych funkcji.
Z naszego punktu widzenia polega to na tym, że mnożymy odpowiadające sobie elementy z dwóch macierzy: obrazu, oraz mniejszej, nazywanej filtrem (lub kernelem. Następnie sumujemy wynik i zapisujemy do macierzy wynikowej na odpowiedniej pozycji. Proces powtarza się aż do momentu przeskanowania całego obrazu. Taki filtr wykrywa, czy coś do niego pasuje w danym miejscu, i z tego wynika zdolność semantycznej generalizacji sieci - uczymy się cech, a wykrywamy je potem w dowolnym miejscu. Przydatne pojęcia
Stride¶
Krok algorytmu, albo przesunięcie.
Padding¶
Dopełnienie krawędzi obrazu. więcej
Pooling¶
Ma 2 warianty: max oraz avg. Pozwala on usunąć zbędne dane, np. jeżeli filtr wykrywa linie, to istnieje spora szansa, że linie te ciągną się przez sąsiednie piksele, więc nie ma powodu powielać tej informacji. Dzięki temu mamy pewną ilość inwariancji i jesteśmy odporni na niewielkie wahania pikseli, a skupiamy się na "bigger picture".
Sposoby redukcji przeuczenia¶
- warstwa dropout
- regularyzacja wag
- metoda wczesnego stopu (early stopping)
- batch normalization
- lub... więcej danych
Budowa sieci CNN do klasyfikacji obrazów¶
Sieć konwolucyjna składa się zawsze najpierw, zgodnie z nazwą, z części konwolucyjnej, której zadaniem jest wyodrębnienie przydatnych cech z obrazu za pomocą filtrów, warstw poolingowych etc.
W celu klasyfikacji obrazu musimy później użyć sieci MLP. Jako że wejściem do sieci MLP jest zawsze wektor, to musimy obraz przetworzony przez filtry konwolucyjne sprowadzić do takiego wektora, tzw. embedding, czyli reprezentacji obrazu jako punktu w pewnej ciągłej przestrzeni. Służą do tego warstwa spłaszczająca (flatten layer), zmieniająca macierze wielkowymiarowe na wektor, np $10 \times 10 \times 3$ na $300 \times 1$.
Część konwolucyjna nazywa się często backbone, a część MLP do klasyfikacji head. Głowa ma zwykle 1-2 warstwy w pełni połączone, z aktywacją softmax w ostatniej warstwie. Czasem jest nawet po prostu pojedynczą warstwą z softmaxem, bo w dużych sieciach konwolucyjnych ekstrakcja cech jest tak dobra, że taka prosta konstrukcja wystacza do klasyfikacji embeddingu.
import torch
import torchvision
import torchvision.transforms as transforms
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
print(device)
transform = transforms.Compose([transforms.ToTensor()])
batch_size = 32
trainset = torchvision.datasets.FashionMNIST(
root="./data", train=True, download=True, transform=transform
)
trainloader = torch.utils.data.DataLoader(
trainset, batch_size=batch_size, shuffle=True
)
testset = torchvision.datasets.FashionMNIST(
root="./data", train=False, download=True, transform=transform
)
testloader = torch.utils.data.DataLoader(
testset, batch_size=batch_size, shuffle=True
)
classes = (
"top",
"Trouser",
"Pullover",
"Dress",
"Coat",
"Sandal",
"Shirt",
"Sneaker",
"Bag",
"Ankle boot",
)
Zobaczmy, co jest w naszym zbiorze danych. Poniżej kawałek kodu, który wyświetli nam kilka przykładowych obrazków.
import matplotlib.pyplot as plt
import numpy as np
def imshow(img):
img = img / 2 + 0.5
npimg = img.numpy()
plt.imshow(np.transpose(npimg, (1, 2, 0)))
plt.show()
dataiter = iter(trainloader)
images, labels = next(dataiter)
imshow(torchvision.utils.make_grid(images))
print(' '.join(f'{classes[labels[j]]:5s}' for j in range(batch_size)))
LeNet¶
LeNet to bardzo znany, klasyczny model sieci konwolucyjnej.
Warstwy:
- obraz
- konwolucja, kernel $5 \times 5$, bez paddingu, 6 kanałów (feature maps)
- pooling, kernel $2 \times 2$, stride 2
- konwolucja, kernel $5 \times 5$, bez paddingu, 16 kanałów (feature maps)
- pooling, kernel $2 \times 2$, stride 2
- warstwa w pełni połączona, 120 neuronów na wyjściu
- warstwa w pełni połączona, 84 neurony na wyjściu
- warstwa w pełni połączona, na wyjściu tyle neuronów, ile jest klas
Zadanie 1 (2 punkty)¶
Zaimplementuj wyżej opisaną sieć, używając biblioteki PyTorch. Wprowadzimy sobie jednak pewne modyfikacje, żeby było ciekawiej:
- w pierwszej warstwie konwolucyjnej użyj 20 kanałów (feature maps)
- w drugiej warstwie konwolucyjnej użyj 50 kanałów (feature maps)
- w pierwszej warstwie gęstej użyj 300 neuronów
- w drugiej warstwie gęstej użyj 100 neuronów
Przydatne elementy z pakietu torch.nn:
Conv2d()AvgPool2d()Linear()
Z pakietu torch.nn.functional:
relu()
import torch.nn as nn
import torch.nn.functional as F
class LeNet(nn.Module):
def __init__(self):
super().__init__()
self.backbone = nn.Sequential(
nn.Conv2d(in_channels=1, out_channels=20, kernel_size=5),
nn.AvgPool2d(kernel_size=2, stride=2),
nn.Conv2d(in_channels=20, out_channels=50, kernel_size=5),
nn.AvgPool2d(kernel_size=2, stride=2),
)
self.head = nn.Sequential(
nn.Linear(in_features=800, out_features=300),
nn.ReLU(),
nn.Linear(in_features=300, out_features=100),
nn.ReLU(),
nn.Linear(in_features=100, out_features=len(classes)),
)
def forward(self, x):
#tu połącz warstwy w sieć, pamietaj o aktywacji i spłaszczeniu w odpowiednich miejscach
return self.head(torch.flatten(self.backbone(x), 1))
net = LeNet()
import torch.optim as optim
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)
Zadanie 2 (1 punkt)¶
Uzupełnij pętlę uczącą sieć na podstawie jej predykcji. Oblicz (wykonaj krok do przodu) funkcję straty, a następnie przeprowadź propagację wsteczną i wykonaj krok optymalizatora, porównaj czas uczenia na cpu i gpu.
import time
net.train()
start = time.time()
for epoch in range(5):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizer.zero_grad()
outputs = net(inputs)
loss = criterion(outputs, labels)
running_loss += loss.item()
loss.backward()
optimizer.step()
if i % 200 == 199:
print(f"[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 200:.3f}")
running_loss = 0.0
end = time.time()
print("Finished Training CPU with time: ", end-start)
netGPU = LeNet().to('cuda')
optimizerGPU = optim.SGD(netGPU.parameters(), lr=0.001, momentum=0.9)
criterionGPU = nn.CrossEntropyLoss().to('cuda')
netGPU.train()
start = time.time()
for epoch in range(5):
running_loss = 0.0
for i, data in enumerate(trainloader, 0):
inputs, labels = data
optimizerGPU.zero_grad()
outputs = netGPU(inputs.to('cuda'))
loss = criterionGPU(outputs, labels.to('cuda'))
running_loss += loss.item()
loss.backward()
optimizer.step()
if i % 200 == 199:
print(f"[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 200:.3f}")
running_loss = 0.0
end = time.time()
print("Finished Training GPU with time: ", end-start)
Skomentuj wyniki:
- Sieć uczy się na GPU ponad 3 razy szybciej!
dataiter = iter(testloader)
images, labels = next(dataiter)
# print images
imshow(torchvision.utils.make_grid(images))
print("GroundTruth: ", " ".join(f"{classes[labels[j]]:5s}" for j in range(batch_size)))
outputs = net(images.to(device))
_, predicted = torch.max(outputs, 1)
print("Predicted: ", " ".join(f"{classes[predicted[j]]:5s}" for j in range(batch_size)))
correct = 0
total = 0
net.eval()
with torch.no_grad():
for data in testloader:
images, labels = data
outputs = net(images.to(device))
_, predicted = torch.max(outputs.data, 1)
total += labels.size(0)
correct += (predicted == labels.to(device)).sum().item()
print(f"Accuracy of the network on the 10000 test images: {100 * correct // total} %")
Zadanie 3 (1 punkt)¶
Oblicz dokładność działania sieci (accuracy) dla każdej klasy z osobna.
correct_pred = {classname: 0 for classname in classes}
total_pred = {classname: 0 for classname in classes}
net.eval()
with torch.no_grad():
for data in testloader:
images, labels = data
images = images.to(device)
labels = labels.to(device)
outputs = net(images)
_, predictions = torch.max(outputs, 1)
for ind, classname in enumerate(classes):
pred = (labels[(labels == ind)] == predictions[(labels == ind)])
correct_pred[classname] += pred.sum()
total_pred[classname] += pred.size(0)
for classname, correct_count in correct_pred.items():
accuracy = 100 * float(correct_count) / total_pred[classname]
print(f"Accuracy for class: {classname:5s} is {accuracy:.1f} %")
Skomentuj wyniki:
- Najlepsze wyniki dokładności w rozpoznaniu mają spodnie, buty, torebka które mają wyróżniający się kształt. Z ubraniami o podobnym kroju mamy gorsze wyniki ze względu na ich podobieństwo względem siebie (bluzka, płaszcz, top, sweter)
Detekcja obiektów¶
Jest to problem odmienny od klasyfikacji obrazów, choć w praktyce ściśle z nim powiązany - modele do detekcji obiektów przeważnie do pewnego momentu wyglądają tak samo, jak modele klasyfikacji. Jednak pod koniec sieć jest dzielona na 2 wyjścia: jedno to standardowa klasyfikacja, a drugie to regresor określający pozycję obiektu na obrazie, tzw. bounding box. Najpopularniejszymi przykładami takich sieci są YOLO i Mask R-CNN. Zbiór danych też jest odpowiednio przygotowany do tego zadania i oprócz właściwych zdjęć zawiera również maskę, gdzie tło i każdy istotny obiekt jest zaznaczony innym kolorem.
from torchvision.models import detection
import numpy as np
import cv2
from PIL import Image, ImageDraw
import urllib
Funkcja pozwalająca wczytać obraz z sieci:
def url_to_image(url):
resp = urllib.request.urlopen(url)
image = np.asarray(bytearray(resp.read()), dtype="uint8")
image = cv2.imdecode(image, cv2.IMREAD_COLOR)
return image
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
classes = [
"__background__",
"person",
"bicycle",
"car",
"motorcycle",
"airplane",
"bus",
"train",
"truck",
"boat",
"traffic light",
"fire hydrant",
"street sign",
"stop sign",
"parking meter",
"bench",
"bird",
"cat",
"dog",
"horse",
"sheep",
"cow",
"elephant",
"bear",
"zebra",
"giraffe",
"hat",
"backpack",
"umbrella",
"handbag",
"tie",
"shoe",
"eye glasses",
"suitcase",
"frisbee",
"skis",
"snowboard",
"sports ball",
"kite",
"baseball bat",
"baseball glove",
"skateboard",
"surfboard",
"tennis racket",
"bottle",
"plate",
"wine glass",
"cup",
"fork",
"knife",
"spoon",
"bowl",
"banana",
"apple",
"sandwich",
"orange",
"broccoli",
"carrot",
"hot dog",
"pizza",
"donut",
"cake",
"chair",
"couch",
"potted plant",
"bed",
"mirror",
"dining table",
"window",
"desk",
"toilet",
"door",
"tv",
"laptop",
"mouse",
"remote",
"keyboard",
"cell phone",
"microwave",
"oven",
"toaster",
"sink",
"refrigerator",
"blender",
"book",
"clock",
"vase",
"scissors",
"teddy bear",
"hair drier",
"toothbrush",
]
colors = np.random.randint(0, 256, size=(len(classes), 3))
models = {
"frcnn-resnet": detection.fasterrcnn_resnet50_fpn,
"frcnn-mobilenet": detection.fasterrcnn_mobilenet_v3_large_320_fpn,
"retinanet": detection.retinanet_resnet50_fpn,
}
# load the model and set it to evaluation mode
model = models["frcnn-resnet"](
weights=detection.FasterRCNN_ResNet50_FPN_Weights.DEFAULT,
weights_backbone=torchvision.models.ResNet50_Weights.DEFAULT,
progress=True,
num_classes=len(classes)
).to(device)
model.eval()
IPython, z którego korzystamy w Jupyter Notebooku, ma wbudowaną funkcję display() do wyświetlania obrazów.
!wget https://upload.wikimedia.org/wikipedia/commons/thumb/7/7a/Toothbrush_x3_20050716_001.jpg/1280px-Toothbrush_x3_20050716_001.jpg --output-document toothbrushes.jpg
image = Image.open("toothbrushes.jpg")
# make sure we have 3-channel RGB, e.g. without transparency
image = image.convert("RGB")
display(image)
PyTorch wymaga obrazów w kształcie [channels, height, width] (C, H, W) oraz z wartościami pikseli między 0 a 1. Pillow wczytuje obrazy z kanałami (H, W, C) oraz z wartościami pikseli między 0 a 255. Przed wykorzystaniem sieci neuronowej trzeba zatem:
- zamienić obraz na tensor
- zmienić kolejność kanałów
- podzielić wartości pikseli przez 255
image_tensor = torch.from_numpy(np.array(image))
image_tensor = image_tensor.permute(2, 0, 1)
image_tensor_int = image_tensor # useful for displaying, dtype = uint8
image_tensor = image_tensor / 255
image_tensor.shape, image_tensor.dtype
Zadanie 4 (1 punkt)¶
Użyj modelu do wykrycia obiektów na obrazie. Następnie wybierz tylko te bounding boxy, dla których mamy wynik powyżej 50%. Narysuj te bounding boxy, ich prawdopodobieństwa (w procentach) oraz nazwy klas.
Następnie wykorzystaj wyniki do zaznaczenia bounding box'a dla każdego wykrytego obiektu na obrazie oraz podpisz wykrytą klasę wraz z prawdopodobieństwem. Możesz tutaj użyć:
import torchvision.transforms.functional as F
plt.rcParams["savefig.bbox"] = 'tight'
def show(imgs):
if not isinstance(imgs, list):
imgs = [imgs]
fig, axs = plt.subplots(ncols=len(imgs), squeeze=False)
for i, img in enumerate(imgs):
img = img.detach()
img = F.to_pil_image(img)
axs[0, i].imshow(np.asarray(img))
axs[0, i].set(xticklabels=[], yticklabels=[], xticks=[], yticks=[])
from torchvision.utils import draw_bounding_boxes
with torch.no_grad():
result = model([image_tensor.to(device)])
bounding_boxes = result[0]['boxes']
scores = result[0]['scores']
boxes = bounding_boxes[scores > 0.5]
result = draw_bounding_boxes(image_tensor_int, boxes, width=3)
show(result)
Fine-tuning i pretrening¶
Jest to jedna z opcji transfer learningu. Mamy w nim już wytrenowaną sieć na dużym zbiorze danych (pretrening) i chcemy, żeby sieć poradziła sobie z nową klasą obiektów (klasyfikacja), albo lepiej radziła sobie z wybranymi obiektami, które już zna (fine-tuning). Możemy usunąć ostatnią warstwę sieci i na jej miejsce wstawić nową, identyczną, jednak z losowo zainicjalizowanymi wagami, a następnie dotrenować sieć na naszym nowym, bardziej specyficznym zbiorze danych. Przykładowo, jako bazę weźmiemy model wytrenowany na zbiorze ImageNet i będziemy chcieli użyć go do rozpoznawania nowych, nieznanych mu klas, np. ras psów.
Dla przykładu wykorzystamy zbiór danych z hotdogami. Będziemy chcieli stwierdzić, czy na obrazku jest hotdog, czy nie. Jako sieci użyjemy modelu ResNet-18, pretrenowanej na zbiorze ImageNet.
!wget http://d2l-data.s3-accelerate.amazonaws.com/hotdog.zip
!unzip -n hotdog.zip
import os
import torch
import torch.nn as nn
import torchvision
Kiedy korzystamy z sieci pretrenowanej na zbiorze ImageNet, zgodnie z dokumentacją trzeba dokonać standaryzacji naszych obrazów, odejmując średnią i dzieląc przez odchylenie standardowe każdego kanału ze zbioru ImageNet.
All pre-trained models expect input images normalized in the same way, i.e. mini-batches of 3-channel RGB images of shape (3 x H x W), where H and W are
expected to be at least 224. The images have to be loaded in to a range of [0, 1] and then normalized using mean = [0.485, 0.456, 0.406] and std = [0.229,
0.224, 0.225]. You can use the following transform to normalize:
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225])torch.manual_seed(17)
normalize = transforms.Normalize(
mean=[0.485, 0.456, 0.406],
std=[0.229, 0.224, 0.225]
)
train_augs = torchvision.transforms.Compose(
[
torchvision.transforms.RandomResizedCrop(224),
torchvision.transforms.RandomHorizontalFlip(),
torchvision.transforms.ToTensor(),
normalize,
]
)
test_augs = torchvision.transforms.Compose(
[
torchvision.transforms.Resize(256),
torchvision.transforms.CenterCrop(224),
torchvision.transforms.ToTensor(),
normalize,
]
)
pretrained_net = torchvision.models.resnet18(weights=torchvision.models.ResNet18_Weights.IMAGENET1K_V1)
pretrained_net.fc
Zadanie 5 (1 punkt)¶
Dodaj warstwę liniową do naszej fine-fune'owanej sieci oraz zainicjuj ją losowymi wartościami.
finetuned_net = pretrained_net
finetuned_net.fc = nn.Linear(in_features=512, out_features=5)
import time
import copy
def train_model(
model, dataloaders, criterion, optimizer, num_epochs=25
):
since = time.time()
val_acc_history = []
best_model_wts = copy.deepcopy(model.state_dict())
best_acc = 0.0
for epoch in range(1, num_epochs + 1):
print("Epoch {}/{}".format(epoch, num_epochs))
print("-" * 10)
# Each epoch has a training and validation phase
for phase in ["train", "val"]:
if phase == "train":
model.train() # Set model to training mode
else:
model.eval() # Set model to evaluate mode
running_loss = 0.0
running_corrects = 0
# Iterate over data.
for inputs, labels in dataloaders[phase]:
inputs = inputs.to(device)
labels = labels.to(device)
# zero the parameter gradients
optimizer.zero_grad()
# forward
# track history if only in train
with torch.set_grad_enabled(phase == "train"):
# Get model outputs and calculate loss
outputs = model(inputs)
loss = criterion(outputs, labels)
_, preds = torch.max(outputs, 1)
# backward + optimize only if in training phase
if phase == "train":
loss.backward()
optimizer.step()
# statistics
running_loss += loss.item() * inputs.size(0)
running_corrects += torch.sum(preds == labels.data)
epoch_loss = running_loss / len(dataloaders[phase].dataset)
epoch_acc = running_corrects.double() / len(dataloaders[phase].dataset)
print("{} Loss: {:.4f} Acc: {:.4f}".format(phase, epoch_loss, epoch_acc))
# deep copy the model
if phase == "val" and epoch_acc > best_acc:
best_acc = epoch_acc
best_model_wts = copy.deepcopy(model.state_dict())
if phase == "val":
val_acc_history.append(epoch_acc)
print()
time_elapsed = time.time() - since
print(
"Training complete in {:.0f}m {:.0f}s".format(
time_elapsed // 60, time_elapsed % 60
)
)
print("Best val Acc: {:4f}".format(best_acc))
# load best model weights
model.load_state_dict(best_model_wts)
return model, val_acc_history
data_dir = "hotdog"
batch_size = 32
model_ft = finetuned_net.to(device)
train_iter = torch.utils.data.DataLoader(
torchvision.datasets.ImageFolder(
os.path.join(data_dir, "train"), transform=train_augs
),
batch_size=batch_size,
shuffle=True,
)
test_iter = torch.utils.data.DataLoader(
torchvision.datasets.ImageFolder(
os.path.join(data_dir, "test"), transform=test_augs
),
shuffle=True,
batch_size=batch_size,
)
loss = nn.CrossEntropyLoss(reduction="none")
Zadanie 6 (1 punkt)¶
Zmodyfikuj tak parametry sieci, aby learning rate dla ostatniej warstwy był 10 razy wyższy niż dla pozostałych.
Trzeba odpowiednio podać pierwszy parametr torch.optim.SGD tak, aby zawierał parametry normalne, oraz te z lr * 10. Paramety warstw niższych to takie, które mają nazwę inną niż fc.weight albo fc.bias - może się przydać metoda sieci named_parameters().
def train_fine_tuning(net, learning_rate, num_epochs=15):
updated_params = []
params = []
for name, param in net.named_parameters():
if 'fc.weight' in name or 'fc.bias' in name:
updated_params.append(param)
else:
params.append(param)
trainer = torch.optim.SGD([
{'params': updated_params, 'lr': learning_rate*10},
{'params': params, 'lr': learning_rate}],
weight_decay=0.001)#popraw mnie
dataloaders_dict = {"train": train_iter, "val": test_iter}
criterion = nn.CrossEntropyLoss()
model_ft, hist = train_model(
net, dataloaders_dict, criterion, trainer, num_epochs=num_epochs
)
return model_ft, hist
model_ft, hist = train_fine_tuning(model_ft, learning_rate=5e-5)
skomentuj wyniki:
- Widzimy, że dokładność rośnie z każdą epoką. Loss też maleje, co może oznaczać, że sieć lepiej dopasowuje się do danych. Otrzymana najlepsza dokładnosć 91% jest świetnym wynikiem.
Przy wyświetlaniu predykcji sieci musimy wykonać operacje odwrotne niż te, które wykonaliśmy, przygotowując obrazy do treningu:
- zamienić kolejność kanałów z (C, H, W) na (H, W, C)
- zamienić obraz z tensora na tablicę Numpy'a
- odwrócić normalizację (mnożymy przez odchylenie standardowe, dodajemy średnią) i upewnić się, że nie wychodzimy poza zakres [0, 1] (wystarczy proste przycięcie wartości)
def imshow(img, title=None):
img = img.permute(1, 2, 0).numpy()
means = np.array([0.485, 0.456, 0.406])
stds = np.array([0.229, 0.224, 0.225])
img = stds * img + means
img = np.clip(img, 0, 1)
plt.imshow(img)
if title is not None:
plt.title(title)
plt.pause(0.001)
import matplotlib.pyplot as plt
plt.ion()
def visualize_model(model, num_images=6):
class_names = ["hotdog", "other"]
model.eval()
images_so_far = 0
fig = plt.figure()
with torch.no_grad():
for i, (inputs, labels) in enumerate(test_iter):
inputs = inputs.to(device)
labels = labels.to(device)
outputs = model(inputs)
_, preds = torch.max(outputs, 1)
for j in range(inputs.size()[0]):
images_so_far += 1
ax = plt.subplot(num_images // 2, 2, images_so_far)
ax.axis('off')
ax.set_title(f'predicted: {class_names[preds[j]]}')
imshow(inputs.data[j].cpu())
if images_so_far == num_images:
return
visualize_model(model_ft)
Rozpoznawanie, kto jest na zdjęciu¶
!pip install facenet-pytorch
import urllib
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from PIL import Image
from facenet_pytorch import InceptionResnetV1, MTCNN
from torchvision.transforms.functional import to_pil_image
!wget https://raw.githubusercontent.com/timesler/facenet-pytorch/feature/add_vggface2_labels/data/labels-vggface2.csv --output-document vggface_labels.csv
Jak to działa?¶
Zanim w ogóle pomyślimy o rozpoznawaniu twarzy, najpierw musimy zorientować się, czy w ogóle twarz jest na obrazie, i jeśli tak, to ją wyodrębnić, bo reszta obrazu nas nie interesuje. Ten proces przeważnie znajduje wszystkie twarze na obrazie, nie tylko jedną. Istnieją dwie podstawowe metody znajdowania twarzy na obrazie:
- kaskady Haara - klasyczne podejście, szybkie, w miarę skuteczne, nieodporne na dużę ruchy głowy, okulary itp. (są różne kaskady dla takich przypadków)
- sieci neuronowe, np. MTCNN - bardziej współczesne podejście, są one wolniejsze (a nawet wolne), więc wymagają więcej mocy obliczeniowej, ale za to są skuteczniejsze i bardziej odporne na wszelakie zakłócenia.
Implementacja MTCNN z biblioteki facenet-pytorch ma 2 możliwości użycia:
- Przez metodę
.detect(), np.mtcnn.detect(img). W ten sposób dostajemy koordynaty (bounding box) twarzy na oryginalnym obrazie. Ma to zastosowanie w samym wykrywaniu twarzy, lub kiedy chcemy później zastosować własne implementacje sieci do rozpoznawania twarzy. - Przez metodę
__call__(), np.mtcnn(img). W ten sposób dostajemy wyciętą i znormalizowaną twarz, gotową do późniejszego użycia w rozpoznawaniu twarzy za pomocą tej biblioteki. Normalizacja to przeskalowanie twarzy tak, żeby miała równe wymiary, oraz standaryzacja kolorów.
Zobaczmy teraz, jak działa pierwsza opcja.
jerzy_stuhr_image_path = "https://upload.wikimedia.org/wikipedia/commons/thumb/9/91/Jerzy_Stuhr_27_stycznia_2018.jpg/1024px-Jerzy_Stuhr_27_stycznia_2018.jpg"
img = Image.open(urllib.request.urlopen(jerzy_stuhr_image_path)).convert("RGB")
detector = MTCNN(device=device)
boxes, probabilities = detector.detect(img)
box = boxes[0]
face = img.crop(box)
plt.imshow(face)
plt.show()
Zadanie 7 (1 punkt)¶
Uzupełnij kod funkcji extract_face_haar() tak, by działała tak samo, jak extract_face_mtcnn(), ale z wykorzystaniem kaskady Haara z OpenCV. Ma zwracać tensor PyTorcha, abyśmy mogli dalej wykorzystać go do identyfikacji z użyciem sieci neuronowej:
- typu
float32(OpenCV używauint8) - z zakresem wartości
[0, 1](OpenCV używa[0, 255]) - z kolejnością kanałów
(C, H, W)(OpenCV, jak Numpy, używa(H, W, C)) - na urządzeniu
device
Mogą się przydać:
cvtColor()CascadeClassifier()detectMultiScale()
W funkcji extract_face_mtcnn mamy dodatkowy argument post_process. Gdy ma on wartość False, to detektor twarzy nie normalizuje obrazu (jedynie zmienia rozmiar na kwadrat) i będzie się wyświetlał "normalnie". Kiedy natomiast chcemy użyć wyjścia z detektora twarzy jako wejścia do drugiej sieci, do identyfikacji osób, to trzeba użyć post_process=True, aby użyć odpowiednich transformacji. Typowo daje to lepsze wyniki.
!wget https://raw.githubusercontent.com/opencv/opencv/master/data/haarcascades/haarcascade_frontalface_default.xml
def extract_face_mtcnn(image_path, output_face_img_size=160, post_process=False):
# load image from URL
img = Image.open(urllib.request.urlopen(image_path)).convert("RGB")
# create the detector
detector = MTCNN(
output_face_img_size,
device=device,
post_process=post_process
)
# print (type(torch.Tensor(img).to(device)))
# get face from image
face = detector(img)
# apply very basic normalization manually when postprocessing is
# not used - change values from default [0, 255] to [0, 1]
if not post_process:
face /= 255
return face
face_mtcnn = extract_face_mtcnn(jerzy_stuhr_image_path)
print(face_mtcnn.min(), face_mtcnn.max(), face_mtcnn.dtype)
# plot the extracted face
to_pil_image(face_mtcnn)
import cv2
def extract_face_haar(filename, required_size=160):
image = np.array(Image.open(urllib.request.urlopen(filename)))
haar_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')
img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
faces_rect = haar_cascade.detectMultiScale(img_gray, scaleFactor=1.1, minNeighbors=9)
if len(faces_rect) == 0:
return None
(x, y, w, h) = faces_rect[0]
face = image[y:y + h, x:x + w]
# resize pixels to the model size
image = Image.fromarray(face)
image = image.resize((required_size, required_size))
face_array = np.asarray(image)
# change channel order from (H, W, C) to (C, H, W)
face = np.moveaxis(face, 2, 0)
# Numpy array -> PyTorch tensor on appropriate device
face = torch.Tensor(face).to(device)
# convert value range
face /= 255
return face
face_haar = extract_face_haar(jerzy_stuhr_image_path)
# plot the extracted face
to_pil_image(face_haar)
Skomentuj wyniki uzyskane przez powyższe metody:
- Metoda wykorzystująca kaskady haara jest szybka i skuteczna, obie metody zwróciły podobny wynik.
Skoro udało nam się już znaleźć twarz na obrazku, to spróbujmy rozpoznać, kto się tam znajduje. Znów mamy kilka możliwości, jak to zrobić:
- przygotować sami duży zbiór i nauczyć własną sieć neuronową - zdecydowanie za dużo pracy jak na nasze możliwości na zajęciach
- wykorzystać gotowy dataset - też zbyt czasochłonne, bo uczenie sieci jest bardziej czasochłonne niż jej używanie
- moglibyśmy w ogóle zrezygnować z sieci neuronowej - ale stracilibyśmy na jakości (dokładności) naszego rozwiązania
- wykorzystać przygotowaną już wcześniej sieć
Użyjemy sieci InceptionResnetV1, wytrenowanej na zbiorze twarzy VGGFace2. Jeśli chcesz dowiedzieć się więcej o tej architekturze, to tutaj znajdziesz jej opis. Przykład użycia pochodzi z oficjalnego tutoriala.
identifier = InceptionResnetV1(pretrained="vggface2", classify=True, device=device).eval()
labels = pd.read_csv("vggface_labels.csv", encoding="UTF-8").values.tolist()
from torch.nn.functional import softmax
def get_face_extractor(method, post_process):
if method == "mtcnn":
return lambda x: extract_face_mtcnn(x, post_process=post_process)
elif method == "haar":
return extract_face_haar
else:
raise ValueError(
f"Method should be either 'mtcnn' or 'haar', got: '{method}'"
)
def get_top_5_faces(image_path, method="mtcnn", post_process=False):
detector = get_face_extractor(method, post_process)
with torch.no_grad():
# extract face
face = detector(image_path)
# VGGFace2 classification logits; have to provide batch (4D tensor),
# so we add "fake" dimension via .unsqueeze()
logits = identifier(face.to(device).unsqueeze(0)).cpu()
# we know there is only 1 face, so we can select first (and only) element
logits = logits[0]
# get probabilities
probas = softmax(logits, dim=0)
# get top 5 predictions
top_probas, top_indices = torch.topk(probas, k=5)
top_probas = top_probas.tolist()
top_indices = top_indices.tolist()
top_labels = [labels[idx][0] for idx in top_indices]
for label, proba in zip(top_labels, top_probas):
label = label.replace("_", " ")
print(f"{label:<20} {100 * proba:.2f}%")
get_top_5_faces(jerzy_stuhr_image_path, method="haar")
print()
get_top_5_faces(jerzy_stuhr_image_path, method="mtcnn", post_process=False)
print()
get_top_5_faces(jerzy_stuhr_image_path, method="mtcnn", post_process=True)
No fajne, ale co, jeśli chcielibyśmy rozpoznać kogoś, kto nie był częścią pierwotnego zbioru danych? Czy musimy trenować sieć całkowicie od nowa? Oczywiście nie - byłoby to bardzo nieefektywne, bo sieć ta była trenowana na ponad milionie obrazów 8631 ludzi, więc aby dodać jednego, bezsensem byłoby powtarzać cały proces od zera.
Więc jak to zrobić? Można znowu na różne sposoby. Przykładowo, nie ma potrzeby trenować całej sieci, a wystarczy wytrenować ostatnią warstwę, która odpowiada za rozpoznawanie danej osoby. Poprzednie w zasadzie tylko enkodują daną osobę w postaci wektora liczb, tak, aby wektory dla tej samej osoby były blisko sobie, a dla różnych daleko (w sensie pewnej metryki), wieć dla nieznanego obrazu nowej osoby też to zadziała. Musimy jedynie stwierdzić, że to ta sama osoba.
from torchvision.transforms.functional import to_tensor
def get_embeddings(image_paths, method="mtcnn", post_process=False):
detector = get_face_extractor(method, post_process)
embedder = InceptionResnetV1(pretrained="vggface2", classify=False, device=device).eval()
embeddings = []
with torch.no_grad():
for image_path in image_paths:
face = detector(image_path)
embedding = embedder(face.to(device).unsqueeze(0)).cpu()
embedding = embedding.flatten()
embeddings.append(embedding)
return embeddings
Zadanie 8 (1 punkt)¶
Oblicz dystans euklidesowy i cosinusowy między embeddingami. Następnie przetestuj poszczególne metody przygotowanym kodem.
def is_match(known_embedding, candidate_embedding, thresh=0.4, euc_thresh=1.2):
# cosine_score = 1-F.cosine_similarity(known_embedding, candidate_embedding, dim=0)
cos = nn.CosineSimilarity(dim=0, eps=1e-6)
cosine_score = 1 - cos(candidate_embedding, known_embedding)
euclidean_score = (candidate_embedding - known_embedding).pow(2).sum(0).sqrt()
if cosine_score <= thresh:
print(">face is a Match - cosine (%.3f <= %.3f)" % (cosine_score, thresh))
print(">face is a Match - euclidean (%.3f <= %.3f)" % (euclidean_score, euc_thresh))
else:
print(">face is NOT a Match (%.3f > %.3f)" % (cosine_score, thresh))
print(">face is NOT a Match (%.3f > %.3f)" % (euclidean_score, euc_thresh))
def test_person_identification(method, post_process=False):
# test: Jerzy Stuhr vs new face, Maciej Stuhr
filenames = [
"https://upload.wikimedia.org/wikipedia/commons/thumb/9/91/Jerzy_Stuhr_27_stycznia_2018.jpg/1024px-Jerzy_Stuhr_27_stycznia_2018.jpg",
"https://s3.viva.pl/newsy/jerzy-stuhr-276699-GALLERY_600.jpg",
"https://ocdn.eu/images/pulscms/MjM7MDA_/0d5516ac7244156c40d1366ee008d7e5.jpeg",
"https://upload.wikimedia.org/wikipedia/commons/thumb/f/f0/2016_Woodstock_328_Maciej_Stuhr.jpg/800px-2016_Woodstock_328_Maciej_Stuhr.jpg",
"https://secretum.pl/media/k2/items/cache/7f2cd38b7681e6e2ef83b5a7a5385264_XL.jpg?t=20141001_064823",
]
embeddings = get_embeddings(filenames, method, post_process)
print("Positive Tests")
is_match(embeddings[0], embeddings[1])
is_match(embeddings[0], embeddings[2])
print()
print("Negative Tests")
is_match(embeddings[0], embeddings[3])
is_match(embeddings[0], embeddings[4])
print()
test_person_identification(method="haar")
test_person_identification(method="mtcnn", post_process=False)
test_person_identification(method="mtcnn", post_process=True)
Skomentuj wyniki:
- W pierwszym teście połowa wyników jest poprawna, nie do końca jestem pewna co mogło zawinić, w pozostałych testach model daje poprawne wyniki.
Pytania kontrolne (1 punkt)¶
- Jakiego algorytmu użyłbyś do wykrywania obiektów w czasie rzeczywistym?
- Do detekcji obrazów w czasie rzeczywistym popularny ze względu na jego szybkość i dobre radzenie sobie z obiektami w ruchu jest YOLO.
- Jaki krok (stride) jest najpowszechniej stosowany i dlaczego?
- Często używa się kroku o wartości 1, ponieważ pozwala to na lepsze wykrywanie szczegółów w obrazie. Z drugiej strony, użycie kroku o wartości 2 pozwala na redukcję rozmiaru obrazu wejściowego i zmniejszenie obciążenia obliczeniowego sieci bez większej straty danych.
- Czy sieci konwolucyjne nadają się do analizy sygnału audio i dlaczego?
- Sieci konwolucyjne dobrze sobie radzą z rozpoznawaniem obrazów, gdybyśmy przedstawili dźwięk audio jako obraz np częstotliwości w czasie to mogłyby wykrywać różne cechy w dźwiękach.
Zadanie dla chętnych¶
W zadaniach dotyczących klasyfikacji obrazu wykorzystywaliśmy prosty zbiór danych i sieć LeNet. Teraz zamień zbiór danych na bardziej skomplikowany, np. ten lub ten (lub inny o podobnym poziomie trudności) i zamiast prostej sieci LeNet użyj bardziej złożonej, np. AlexNet, ResNet, MobileNetV2.